综述：基于机器学习的智能电网中表后分布式能源资源碳强度估算：综合评述与未来展望

《Next Energy》：Machine learning-based carbon intensity estimation in smart grids with behind-the-meter distributed energy resources: A comprehensive review and future perspectives

　　

随着向低碳能源系统的快速转型，对高时间分辨率下碳强度（CI）估算精度的需求日益迫切。碳强度估算旨在支持碳感知能源管理及脱碳战略。基于平均排放因子的传统方法往往无法捕捉电力生成的动态变化，尤其是在可再生能源资源（RERs）在能源结构中占比不断提升的背景下。近年来，智能电表基础设施以及基于表后（BTM）的分布式能源资源（DERs），即太阳能光伏系统的发展，为改进碳强度估算创造了多种前景。本综述全面评估了利用智能电表数据、基于表后的太阳能光伏分解、基于机器学习（ML）的分析方法以及智能电网中网络安全框架在时空碳强度估算方面的最新进展。本工作批判性地审视了预处理技术、能源分解方法、碳排放流模型以及稳健的预测方法。此外，本文还讨论了网络安全威胁，主要是虚假数据注入攻击（FDIAs），以及隐私保护方法，即异常检测和加密机制。本综述进一步揭示，将碳强度估算与网络安全措施相结合可增强碳感知智能电网应用的整体韧性。这种整合还通过以安全的方式改进运营决策来支持需求响应计划（DRPs）。本综述还揭示了所讨论方法中最有前景的机器学习方法，即混合模型，该模型是深度学习和集成模型的组合，用于智能电网应用中的精确预测。此外，本文还探讨了新兴的人工智能（AI）驱动方法，这些方法在估算碳强度方面前景广阔。最后，本综述识别了现有差距并强调了新兴趋势，为研究人员和政策制定者提供了实用见解，以开发安全且数据驱动的智能电网基础设施，促进可持续能源转型，为更清洁的能源未来提供动力。

1. 引言

论文引言部分指出，由于对气候变化的日益关注，减少电力部门二氧化碳（CO₂）排放已成为重要议题。传统的基于年度或月度平均排放因子的碳核算方法无法捕捉可再生能源波动引起的发电实时变化，可能导致显著偏差。因此，需要更高时间分辨率的碳强度（CI）估算。为此，已有研究提出了日前碳强度预测（DACF）框架和基于深度学习的预测模型，以提高时间精度。然而，这些研究未明确考虑城市配电网内的空间差异。同时，表后（BTM）分布式能源资源（DERs），特别是屋顶光伏（PV）系统的普及，使得基于净电网消耗的传统碳核算方法无法计入本地自耗的太阳能，导致碳归属不准确。为此，研究者提出了多种分解方法，如基于字典学习的方法、无监督框架以及虚拟光伏样本构建方法，以从聚合净负荷测量中估算隐藏的光伏发电量，提高BTM可见性。此外，已有研究提出了高分辨率框架，利用大规模智能电表数据集量化城市内的时空碳强度，揭示了由本地负荷特性和可再生能源渗透率驱动的显著城市内异质性。同时，基于流的碳核算框架为将物理潮流整合到碳责任分配中提供了理论基础。尽管在时间预测、能源分解和碳流建模方面取得了进展，但对城市电力系统中时空碳强度的综合理解仍是一个不断发展的研究领域。因此，本综述系统性地审视了2022至2026年间在碳强度估算、智能电表分析、BTM光伏分解和碳感知电网优化方面的最新进展，旨在识别当前研究空白并指出未来方向。此外，智能电表、DERs和数据驱动优化技术的部署也带来了新的网络安全挑战。智能电网作为网络互联系统，其时空碳强度估算的可靠性高度依赖于智能电表数据、负荷测量和可再生能源信息的准确性与完整性。虚假数据注入攻击（FDIAs）、通信欺骗和数据操纵等网络攻击会显著影响测量可靠性，导致错误的碳排放估算。近期研究表明，利用人工智能（AI）和机器学习（ML）技术检测智能电网环境中的异常和网络威胁非常重要，如联邦学习、深度学习和混合神经网络等先进检测架构已展现出改进的检测能力。将碳强度建模与网络安全措施相结合，可为未来智能电网技术带来多重优势，如支持可靠的碳感知能源管理系统、优化电动汽车充电、协调DERs，同时保护数据隐私和系统稳定性，防止虚假碳排放信号导致低效调度。

1.1 背景

本节定义碳强度（CI）为每单位电力生产所产生的CO₂排放量，通常以gCO₂/kWh表示。传统碳核算方法依赖年度或月度的平均排放因子，无法反映由可再生能源波动引起的发电变化。随着可再生能源整合的增加，CI变得独立于时间和发电组合。高时间分辨率的CI估算对于利用小时级数据和预测方法提高排放准确性及支持碳感知能源管理应用至关重要。智能电表基础设施能够详细监测用电模式，提供高分辨率数据，用于分析分布式能源行为和改善碳排放估算。然而，BTM DERs（如屋顶光伏系统、电池存储和电动汽车（EVs））的日益普及增加了估算实际电力需求的复杂性。由于本地产生的太阳能可能被自耗，智能电表获得的净负荷测量可能无法反映真实能源使用情况。能源分解技术用于将聚合的净负荷分离为各个组成部分，如负荷需求和光伏发电，提高分布式资源的可见性。由于智能电网依赖通信网络和数字数据交换，网络安全对于保护数据和确保测量及决策过程的可靠性变得更为重要。

1.2 动机

向低碳能源系统的快速转型需要在更精细的空间和时间分辨率下进行准确可靠的CI估算。基于区域平均值的传统碳核算方法无法反映发电组合的实时变化，特别是在可再生能源渗透率不断提高的情况下。智能电表基础设施和DERs（尤其是BTM光伏系统）的最新进展为在地方层面更准确地估算CI提供了新机会。然而，现代智能电网作为网络物理系统，严重依赖通信网络和数据驱动的决策。测量误差、数据不确定性和网络攻击（如虚假数据注入）可能严重破坏CI估算及其依赖的碳感知优化模型的可靠性。因此，开发将时空CI估算与安全可靠的智能电网分析相结合的综合方法至关重要。理解碳核算、DERs和网络安全机制之间的相互作用，将有助于构建可信、高效且真正可持续的城市能源系统。

1.3 文献综述

本节概述了与DERs、智能电网问题和ML相关的文献工作，随后是BTM技术。文献[4]提出了一种分层ML方法，用于预测长达四天的电网CI，使用混合CNN–LSTM模型，在多日预测中MAPE值在4.8%至13.9%之间。文献[5]将变电站级别的BTM太阳能发电估算视为部分标签设置下的能源分解任务，提出了基于字典学习的确定性和贝叶斯两种无模型方法，后者可提供不确定性估计。文献[6]利用数千户家庭的大规模智能电表数据评估住宅光伏和电池存储系统的技术经济性能，发现分时电价和上涨的电价使光伏加存储系统更具财务吸引力。文献[7]通过越南案例研究了屋顶太阳能对配电网的影响，表明影响程度显著取决于网络拓扑和运行条件。文献[8]提出了一种无监督且数据高效的方法，直接从智能电表净负荷中分离BTM资源（如光伏发电和电池充放电活动），无需系统参数的先验信息，在140户家庭的真实研究中展示了更优的均方根误差（RMSE）性能。文献[9]提出了一种基于聚类、k近邻和长短期记忆（LSTM）网络的无监督ML技术来估算BTM光伏能量生产，在Ausgrid数据集上性能提升了5.06-5.87%。文献[10]提出了一种无监督净负荷分解技术，通过自反馈解耦方案创建虚拟光伏样本，并应用基于上下文的监督源分离方法进行负荷和光伏信号分解。文献[11]详细概述了与BTM DERs（包括光伏、电池和EVs）相关的负荷预测方法，讨论了数据缺乏、消费者行为多变和隐私问题等挑战。文献[12]开发了一种基于时变电力系统排放因子的社区碳排放预测方法，使用遗传算法优化的支持向量回归，在北京社区案例研究中预测准确率超过86%。文献[13]提出了一种自适应混合集成技术，用于检测客户级BTM光伏系统、估算其装机容量并分解其发电功率，结合了数据驱动技术、光伏模型物理和集成学习。文献[14]提出了一种适用于高比例可再生能源电网的碳排放流追踪方法，使用牛顿-拉夫逊潮流分析技术，通过潮流分布矩阵将碳责任归属到发电、负荷、支路和输电线损。文献[15]引入了一个碳感知最优潮流框架，从数据中学习发电机到负荷的碳分布因子，实现节点平均和边际碳排放的解析计算。文献[16]使用夜间灯光遥感数据分析预测中国省级、市级和县级能源消费碳排放，发现对数模型表现最佳。文献[17]提供了一个基于流的碳核算和脱碳综合架构，直接整合物理潮流以实现空间和时间上精细的碳归属。文献[18]全面回顾了用于需求侧电力系统管理的AI方法，包括负荷预测、异常检测和需求响应。文献[19]提出了一个统一的机器学习框架，同时处理实时负荷预测和无监督异常检测，仅依赖原始智能电表数据。文献[20]使用LSTM和Informer的集成方法进行电力负荷的长期预测，在摩洛哥配电网年度数据上展示了显著性能提升。文献[21]提出了一种结合变分模态分解（VMD）、粒子群优化（PSO）、时间卷积网络和注意力机制的短期负荷预测模型。文献[22]针对工业和商业建筑在缺乏历史数据情况下的短期负荷预测，使用TimeGAN生成合成负荷数据，CNN提取特征，LSTM预测未来时间步。文献[23]提供了一种针对BTM背景下带太阳能板、电池存储和EVs的负荷预测深度学习架构，结合了序列到序列LSTM和堆叠自编码器。文献[24]提出了一个用于混合储能系统（HESS）最优设计的随机长期电力预测模型。文献[25]提出了一种利用用户消费数据挖掘和深度学习的负荷预测方法，使用聚类和特征选择检测时空负荷曲线，采用贝叶斯算法优化的双向LSTM与注意力机制。文献[26]回顾了针对BTM DERs（如光伏、电池储能系统（BESS）和EVs）的现有负荷预测技术。文献[27]提出了一个评估旅游业碳排放强度的整体框架，整合统计信息和空间建模工具。文献[28]提出了一种结合深度强化学习（DRL）和负荷预测的证据驱动家庭能源管理系统（HEMS），使用CNN和LSTM预测家庭负荷，并应用多种DRL智能体控制电池充放电调度，实验显示最高可节省35%的电费。文献[29]提出了一种具有动态特性的分数阶离散灰色模型来预测中国整体可再生能源容量。文献[30]基于真实智能电表数据对短期住宅负荷预测的深度学习架构进行了比较分析，发现双向LSTM性能最佳。文献[31]提出了一个协调的多阶段电网规划模型，同时处理可靠性和不确定性。文献[32]研究了包括ChatGPT在内的大型语言模型如何用于基于IEC 61850的数字变电站的网络安全，通过人在回路框架检测GOOSE和采样值通信消息中的异常。文献[33]提出了一个用于高BTM光伏渗透率和社区规模储能的地方电力市场的分层能源交易框架。文献[34]基于DMSP/OLS和NPP/VIIRS夜间灯光卫星图像的整合建立了多级碳排放估算方法，在福建省的案例中实现了R2≈0.89的精度。文献[35]提出了一个集成预测框架，利用FB-Prophet识别趋势和季节性，结合LightGBM建模残差组件的非线性，用于供热网络的短期负荷预测。文献[36]提出了一种使用带注意力机制和时间池化的Transformer网络的非侵入式负荷监测（NILM）算法，在UK-DALE、REDD和REFIT数据集上取得了92.96的高F1分数。文献[37]提出了一种基于预测和灵活性的住宅光伏/电池/灵活负荷运行策略。文献[38]为高BTM光伏部署和低可观测性社区提出了净负荷预测解决方案，通过两阶段加性模型分解净负荷并分别预测各组件。文献[39]探讨了将智能逆变器控制器技术重新用作传感节点以提高低压系统中BTM光伏发电可见性的潜力。文献[40]讨论了一个针对BTM DERs（包括光伏、电池和EVs）的秒级分辨率实时灵活性管理系统。文献[41]提出了一种联邦学习方法用于智能电网中的虚假数据注入攻击检测和定位，结合图神经网络和LSTM网络，在IEEE 57、118和300节点测试系统上验证了优越性能。文献[42]全面回顾了智能电网中检测和定位FDIAs的技术。文献[43]调查了智能电网在感知、通信和应用层面的网络攻击检测技术。文献[44]讨论了一种安全的联邦深度学习模型，结合Transformer算法和Paillier加密协议用于检测FDIAs。文献[45]开发了一种通过生成对抗网络生成虚假数据的黑盒攻击方法。文献[46]提供了一个系统框架，用于分类网络攻击和对抗策略。文献[47]设计了一种基于注意力、双向时间序列模型和门控循环单元（A-BiTG）的卷积网络用于识别FDIAs。文献[48]评估了监督ML分类器模型（如随机森林、极端随机树、逻辑回归和极端梯度提升）在识别智能电网FDIAs方面的性能，集成模型准确率超过97%。文献[49]全面讨论了智能电网通信网络中网络攻击的分类、检测和保护技术。文献[50]提供了关于提高基于DERs的智能电网网络韧性能力的广泛文献回顾。文献[51]讨论了构建可靠且有韧性的智能电网网络所需的网络物理安全架构、DERs、通信技术和智能控制系统。文献[52]解决了基于物联网（IoT）的智能电网系统中的网络安全挑战。文献[53]设计了一个利用数字孪生、知识图谱和混合ML模型的网络威胁情报框架，用于分析基于SCADA的智能电网中的网络攻击。文献[54]回顾了进行智能电网技术漏洞评估的方法论。文献[55]全面回顾了当前智能能源系统中存在的安全问题。文献[56]进行了与智能电网架构中各功能层相关的网络安全问题的领域导向分析。文献[57]全面分析了智能电网架构、通信系统及缓解网络攻击的方法。文献[58]回顾了用于检测智能电网网络物理系统中网络攻击的ML和深度学习方法。

1.4 相关工作批判性评述

本节对文献中报告的工作进行了全面总结和批判性检验，基于所采用的方法论、关键发现及其局限性。表2提供了基于重点领域、研究方法、关键发现和关键局限性的相关工作综合总结。文献[59]采用基于图的碳流建模进行时空CI估算，能够实现跨网络节点的碳排放空间映射，但需要高分辨率电网拓扑数据。文献[60]使用潮流追踪技术进行碳排放流追踪，为发电机和负荷提供准确的碳责任分配，但需要完整的系统参数和网络配置。文献[61]采用概率分解进行BTM光伏发电估算，提高了从聚合负荷测量中估算隐藏太阳能发电的能力，但性能依赖于天气和辐照度数据的准确性。文献[62]使用深度神经网络进行NILM负荷分解，实现设备级能源估算，但需要标记的训练数据集。文献[63]使用随机优化进行可再生能源不确定性建模，提高了不确定发电条件下电网规划的可靠性，但计算负担高。文献[64]使用Transformer神经网络进行CI预测，能捕捉CI数据中的长期时间依赖性，但需要大量历史数据集。文献[65]使用K-means聚类进行智能电表负荷聚类，识别消费者负荷模式，但对噪声和异常值敏感。文献[66]使用混合集成ML进行DER预测，通过组合多个学习器提高预测精度，但需要参数调整。文献[67]使用多目标最优潮流（OPF）进行碳感知最优调度，同时优化发电成本和碳排放，但需要准确的CI数据。文献[68]使用CNN-LSTM混合模型进行光伏发电预测，捕捉太阳辐照度数据的空间和时间特征，但高度依赖天气输入质量。文献[69]使用地理信息系统（GIS）建模进行空间碳排放映射，实现碳排放分布的地理可视化，但时间分辨率有限。文献[70]使用深度学习预测进行EV负荷预测，支持智能充电调度，但预测精度依赖于用户行为数据。文献[71]使用基于回归的CI估算进行碳排放建模，实现简单，但精度低于ML方法。文献[72]使用强化学习进行DER调度优化，实现电池和EV充电系统的自适应调度，但训练时间长。文献[73]使用LSTM神经网络进行时间碳预测，捕捉CI变化的非线性时间依赖性，但不包含空间变化。文献[74]使用自编码器模型进行智能电网异常检测，检测异常消费和网络攻击行为，但可能有高误报率。文献[75]使用物理信息ML进行光伏输出估算，整合物理光伏特性与ML建模，但需要领域知识。文献[76]使用边际排放建模进行电网边际排放因子估算，提供实时碳排放因子估计，但需要特定区域的排放因子。文献[77]使用贝叶斯学习进行概率负荷预测，提供负荷预测结果的不确定性估计，但需要先验分布假设。文献[78]使用生命周期排放建模进行碳核算框架构建，提供从发电到消费的全面排放估算，但需要大型生命周期数据集。文献[79]使用多智能体系统进行分布式电网优化，实现DERs间的协调，但需要通信基础设施。文献[80]使用网络物理系统（CPS）建模进行网络物理电网韧性提升，提高系统对网络物理攻击的韧性，但建模要求复杂。文献[81]使用混合Transformer-LSTM进行CI预测，提高长期CI预测精度，但训练复杂度高。文献[82]使用序列学习进行NILM能源分析，提高从聚合数据中检测电器的准确性，但需要高分辨率智能电表数据。文献[83]使用优化算法进行DER灵活性分析，通过灵活需求提高可再生资源利用率，但依赖预测精度。文献[84]使用混合整数规划进行碳感知调度，在考虑排放约束的情况下优化调度决策，但计算复杂度随系统规模增加。文献[85]使用K-means ML进行能源消费聚类，识别典型消费者使用模式，但对聚类初始化敏感。文献[86]使用基于矩阵的建模进行碳流分配，实现碳责任的分析计算，但需要网络矩阵公式化。文献[87]使用加密框架进行IoT智能电网安全，改善通信、隐私和数据完整性，但加密增加延迟。文献[88]使用支持向量机（SVM）分类器进行网络攻击分类，有效分类异常电网行为，但需要标记的训练数据。文献[89]使用概率建模进行DER不确定性分析，提高可再生能源集成系统的可靠性评估，但需要概率分布假设。文献[90]使用梯度提升ML进行智能电表预测，提高负荷预测精度，但存在过拟合风险。文献[91]使用基于辐照度的估算进行光伏功率建模，提高太阳能发电估算精度，但依赖天气数据。文献[92]使用回归分析进行空间排放估算，识别区域排放趋势，但时间变化建模有限。文献[93]使用联邦学习进行智能电网分布式ML训练，在模型训练期间保护消费者数据隐私，但节点间通信成本高。文献[94]使用入侵检测系统进行网络韧性框架构建，提高对恶意数据注入攻击的检测能力，但需要基准数据集评估。文献[95]使用随机OPF进行碳感知优化，支持低碳电力系统调度决策，但需要随机输入建模。文献[96]使用深度学习进行大数据能源分析，利用大型数据集提高预测精度，但需要高计算资源。文献[97]使用CNN分类进行NILM电器检测，提供高精度的电器识别结果，但需要标记数据集。文献[98]使用强化学习进行DER能源管理，优化DERs调度，但可能存在训练不稳定性。文献[99]使用混合ML检测进行智能电网网络保护，提高通信网络中的异常检测精度，但需要基准数据集验证。文献[100]使用ML加碳流建模进行综合CI框架构建，结合ML和碳流理论进行准确的CI估算，但模型间集成复杂。报告论文来自多个优质数据库，如IEEE Xplore、ScienceDirect、SpringerLink、Scopus、Web of Science和Google Scholar。文献检索使用了与综述主题相关的特定关键词，优先选择近期发表的文章，并通过预定相关性标准避免重复或不相关文献。表3展示了关于碳强度估算、智能电网和表后技术的文献综述矩阵，列出了各参考文献的年份、碳估算方法、智能电网架构、预测方法和算法。